CN108515678A - 基于rbf神经网络的注塑工艺优化方法 - Google Patents

基于rbf神经网络的注塑工艺优化方法 Download PDF

Info

Publication number
CN108515678A
CN108515678A CN201810261276.3A CN201810261276A CN108515678A CN 108515678 A CN108515678 A CN 108515678A CN 201810261276 A CN201810261276 A CN 201810261276A CN 108515678 A CN108515678 A CN 108515678A
Authority
CN
China
Prior art keywords
injection parameters
optimization
injection
rbf neural
cast gate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810261276.3A
Other languages
English (en)
Inventor
黄力
邓其贵
马振锋
刘胜永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University of Science and Technology
Original Assignee
Guangxi University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi University of Science and Technology filed Critical Guangxi University of Science and Technology
Priority to CN201810261276.3A priority Critical patent/CN108515678A/zh
Publication of CN108515678A publication Critical patent/CN108515678A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76494—Controlled parameter
    • B29C2945/76498—Pressure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76494—Controlled parameter
    • B29C2945/76531—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76494—Controlled parameter
    • B29C2945/76551—Time
    • B29C2945/76561—Time duration

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明提供了一种基于RBF神经网络的注塑工艺优化方法，包括以下步骤：建立注塑产品的CAE分析模型以及第一注塑参数；对所述第一注塑参数进行至少一次注塑参数优化，获得第一优化注塑参数；对所述第一优化注塑参数进行正交试验设计，获得正交试验数据；利用部分或全部所述正交试验数据对RBF神经网络进行训练，获得训练后的RBF神经网络；利用所述训练后的RBF神经网络获取最终优化注塑参数。上述基于RBF神经网络的注塑工艺优化方法不仅能够提高了获得最终优化参数的效率，而且优化效果好，获得的最终优化注塑参数更为精确，能够满足注塑要求。

Description

基于RBF神经网络的注塑工艺优化方法
技术领域
本发明涉及注塑工艺领域，特别是涉及一种基于RBF神经网络的注塑工艺 优化方法。
背景技术
注塑成型中，产品的最终注塑质量与模具结构、浇注方法、注塑成型工艺 及材料属性等有很大的关联性。模具结构主要影响外观形状等成型质量项目， 能够进行调整的参数和方法有限，主要体现在通过修正模具成型面、调整水路 等方法来改善表观质量。决定产品注塑成型质量的关键因素是浇注方法，浇注 方法中浇口位置、浇口数量是影响最终注塑质量的核心因素，浇口形式能起到 调整和弥补位置设置不当所带来的负面效果，局部达到改善既定浇口位置流动 路径上缺陷的作用。注塑成型工艺参数的设置取决于既定浇口位置，浇口位置 不同，对应的注塑成型工艺参数差别非常大，故通过调整注塑成型工艺参数的 来调整注塑质量的方法也是差别很大。注塑实践中，一般采用分段反复试模法 来获取较佳的成型工艺参数，具有较大的盲目性和经验依赖性，试模占用时间 长，已逐渐不适应与现代模具要求短周期快速生产要求。借助于计算机辅助工 程(Computer AidedEngineering，CAE)辅助分析的虚拟试模方式能弥补上述 问题的不足，帮助试模人员在较短的时间内快速定位产品的注塑成型工艺基础 参数，实现快速高效试模，获得较佳产品的目的。
但是，仅仅依靠CAE辅助分析仍然较高程度地依靠分析人员自身的经验， 依据经验，产品的注塑缺陷大多在试模调机阶段即可妥善解决，但经验试模的 最大问题是针对试模时较难消除的缺陷问题，往往需要多次反复试模，很难找 准最佳成型工艺参数，容易造成较大的生产浪费和延误模具生产工期，如何进 一步提高模具设计效率、注塑工艺优化效果较差是亟需解决的问题。
发明内容
基于此，有必要针对传统地依靠CAE辅助分析效率低，优化效果较差的问 题，提供一种基于RBF神经网络的注塑工艺优化方法。
本发明提供的一种基于RBF神经网络的注塑工艺优化方法，所述基于RBF 神经网络的注塑工艺优化方法包括以下步骤：
建立注塑产品的CAE分析模型以及第一注塑参数；
对所述第一注塑参数进行至少一次注塑参数优化，获得第一优化注塑参数；
对所述第一优化注塑参数进行正交试验设计，获得正交试验数据；
利用部分或全部所述正交试验数据对RBF神经网络进行训练，获得训练后 的RBF神经网络；
利用所述训练后的RBF神经网络获取最终优化注塑参数。
在其中一个实施例中，所述第一注塑参数包括浇口数量参数、浇口位置参 数、浇口开启时间参数、浇口大小参数、浇注流道参数、融化温度、成型面温 度、主浇口注塑压力、注塑时间、首段保压压力、首段保压时间、第二段保压 压力、第二段保压时间、第三段保压压力、第三段保压时间、冷却水进口温度、 冷却水流速、冷却时间中的任意一种或几种。
在其中一个实施例中，对所述第一注塑参数进行至少一次注塑参数优化， 获得第一优化注塑参数步骤中，至少包括浇口数量参数优化以及浇口位置参数 的优化。
在其中一个实施例中，所述第一注塑参数中，包括至少两个浇口参数；
对所述第一注塑参数进行至少一次注塑参数优化，获得第一优化注塑参数 步骤中，包括以下子步骤：
对所述第一注塑参数进行浇口开启时间参数优化；
对所述第一注塑参数进行浇口数量参数优化以及浇口位置优化；
对所述第一注塑参数进行浇注流道参数优化。
在其中一个实施例中，在利用部分或全部所述正交试验数据对RBF神经网 络进行训练，获得训练后的RBF神经网络步骤前，还包括以下步骤：
利用灰度关联分析法分析所述正交试验结果，获得注塑参数影响权重；
利用部分或全部所述正交试验数据对RBF神经网络进行训练，获得训练后 的RBF神经网络步骤中，所述正交试验数据是经所述注塑参数影响权重处理后 的正交试验数据。
在其中一个实施例中，利用所述训练后的RBF神经网络获取最终优化注塑 参数步骤，包括以下子步骤：
基于注塑要求，利用所述训练后的RBF神经网络反推最终优化注塑参数；
所述最终优化注塑参数包括融化温度、成型面温度、主浇口注塑压力、注 塑时间、首段保压压力、首段保压时间、第二段保压压力、第二段保压时间、 第三段保压压力、第三段保压时间、冷却水进口温度、冷却水流速、冷却时间。
在其中一个实施例中，所述注塑产品为长条形。
在其中一个实施例中，所述注塑产品为汽车保险杠中间固定体。
在其中一个实施例中，所述注塑工艺的注塑参数如下：
融化温度Tθ为229℃，成型面温度Ts为51℃，主浇口注塑压力PI为43 MPa，注塑时间ti为6.64s，首段保压压力Ph1为62MPa，首段保压时间th1 为9s，第二段保压压力Ph2为38MPa，第二段保压时间th2为5.5s，第三段保 压压力Ph3为32MPa，第三段保压时间th3为4.5s，冷却水进口温度Tw为27℃， 冷却水流速Vw为3.2L/min，冷却时间tc为18s。
上述基于RBF神经网络的注塑工艺优化方法，在初步优化后进一步基于第 一优化注塑参数的正交试验数据训练RBF神经网络，由此得到能够对注塑结果 进行预测的训练好的RBF神经网络并利用该训练好的RBF神经网络能够获取最 终优化注塑参数，不仅能够提高了获得最终优化参数的效率，而且优化效果好， 获得的最终优化注塑参数更为精确，能够满足注塑要求。
附图说明
图1为本发明基于RBF神经网络的注塑工艺优化方法的流程图；
图2为本发明一实施例的注塑产品结构示意图；
图3为图2所示注塑产品的三浇口注塑方案示意图；
图4为图3所示注塑方案的第一冷流道结构示意图；
图5为图2所示注塑产品的五浇口注塑方案示意图；
其中，S-主浇口；
H11-第一水平热流道；H12-第一垂直热流道；
H21-第二水平热流道；H22-第二垂直热流道；
H31-第三水平热流道；H32-第三垂直热流道；
C10-第一冷流道；C11、C11’-第一冷浇道主浇道；C12、C12’第一冷浇 道梯形流道；C13C13’-第一冷浇道扇形浇口；
C20-第二冷流道；
C30-第三冷流道。
具体实施方式
请参阅图1所示，本发明提供的一实施例的基于RBF神经网络的注塑工艺 优化方法，包括以下步骤：
S100，建立注塑产品的CAE分析模型以及第一注塑参数；
S200，对第一注塑参数进行至少一次注塑参数优化，获得第一优化注塑参 数；
S300，对第一优化注塑参数进行正交试验设计，获得正交试验数据；
S400，利用部分或全部正交试验数据对RBF神经网络进行训练，获得训练 后的RBF神经网络；
S500，利用训练后的RBF神经网络获取最终优化注塑参数。
上述基于RBF神经网络的注塑工艺优化方法，在初步优化后进一步基于第 一优化注塑参数的正交试验数据训练RBF神经网络，由此得到能够对注塑结果 进行预测的训练好的RBF神经网络并利用该训练好的RBF神经网络能够获取最 终优化注塑参数，不仅能够提高了获得最终优化参数的效率，而且优化效果好， 获得的最终优化注塑参数更为精确，能够满足注塑要求。
请参阅图2所示，本发明一实施例的注塑产品为某汽车保险杠中间固定体,， 产品材料选用改性塑料PP，外形为栅格翼展状，外形尺寸为1200mm x139mmx79mm。壁厚平均为2.4mm，最厚为3.3mm，最薄为1.4mm，体积V1＝568.5 cm3，产品为典型的栅格类塑件，上层23条栅格通过上端联结筋条联结为一体， 栅格条下端与主体直接联结，主体为典型的多孔多曲折面支撑台，异形孔较多， 曲折面厚度不均，栅格形状不一。产品用途为汽车保险杠后方联结保险杠与车 架的中间联结体，有一定的强度及外观要求。特别是主体不能有隐形裂纹，气 孔应尽可能地少且小，不能分布于格栅与台面的联结位置，以免产生过早断裂， 影响产品的使用性能。
对该注塑产品进行初步分析，发现注塑成型主要有以下注塑问题：
1)产品两侧长度比较大，流动路径长，流动困难，充填饱满性难保证；
2)格栅筋特征的筋壁厚较薄，流动阻力大，充填困难；
3)主体上异形孔多，料流流动路径方向上变向多，容易产生潜流、滞留等 造成的熔接线，存在潜在裂纹较多的问题，产品强度难以保证；
4)壁厚不均，形状截面变化大，收缩不均，冷却后内部应力大，易致翘曲变 形；
5)产品四侧形状差异大，充填末端难以获得平衡。
首先，基于该注塑产品的结构特点以及注塑问题，进行步骤S100，建立注 塑产品的CAE分析模型以及第一注塑参数。
将该注塑产品的CAD结构在CAD软件UG10.0中完成去除小圆角和倒角等 操作后，输出为STL格式后导入CAE软件Moldflow2012中，进行网格划分， 建立CAE分析模型。划分好网格的CAE分析模型中，网格规模为103802个三 角形单元，总节点数为51795个，重叠边155703条；雅可比最大为17.6，最小 为1.16，平均为1.89；网格匹配率为90.4％.开模方向上的投影面积为P1＝1063 cm^2。该CAE分析模型能较好地满足塑件充填、保压、冷却及翘曲等CAE分 析的要求。
可选地，该注塑产品的注塑材料选用改性塑料PP+EPDM-T20(牌号 C3322T-2030，PP料添加20％的滑石粉)，成型后2小时内的缩水率1.6％。
可选地，第一注塑参数包括浇注方法参数和注塑工艺参数，其中，浇注方 法参数包括浇口数量参数、浇口位置参数、浇口开启时间参数、浇口大小参数 以及浇注流道参数；注塑工艺参数包括融化温度、成型面温度、主浇口注塑压 力、注塑时间、首段保压压力、首段保压时间、第二段保压压力、第二段保压 时间、第三段保压压力、第三段保压时间、冷却水进口温度、冷却水流速以及 冷却时间。
在注塑成型中，产品的最终注塑结果与模具结构、浇注方法、注塑工艺及 材料属性等有关。模具结构主要影响外观形状等成型治疗项目，由于模具结构 对应于注塑产品的形状，因此能够调整的参数和方法有限。浇注方法参数中的 浇口数量参数以及浇口位置参数对注塑结果影响较大，而注塑工艺参数取决于 浇口方法参数。浇注方法中浇口的设置是该注塑产品注塑成型的关键，而由于 其结构偏长，异形口多且壁厚变化大，因此若采用单浇口进行浇注可能导致较 多的注塑问题，故第一注塑参数中将浇口数量设置为三个侧浇口均衡注塑的浇 口方法；为了降低模具成本，浇口采用冷浇口，进浇形式采用扇形侧浇口；考 虑到产品体积较大，流动路径流程较长，为达到均衡注塑目的，三个浇口需要 进行时序上的控制，进一步结合本产品的模具结构特点，采用冷流道注塑流程 较长，因此采用热流道的流道形式。进一步地，在浇口方法参数的基础上，确 定第一注塑参数的注塑工艺参数。
具体地，请参阅图3和图4所示，浇注方法参数的设置情况为：浇注系统 由3条冷流道+热流道复合式浇注系统组成，和注塑机对接的主浇道S依次与第 二水平热流道H21、第二垂直热流道H22连通，第二垂直热流道H22与第二热 流道浇口阀门连通，该第二热流道浇口阀门对应于模具上的第二浇口。并且第 二热流道位于第一热流道与第三热流道之间，且第二浇口位于注塑产品的中间 部分，因此认定为第二浇口为该注塑产品的主浇口，第一浇口、第三浇口为补 充浇口。进一步地，第一热流道浇口阀门、第二热流道浇口阀门、第三热流道 浇口阀门都采用针阀控制阀门，能够进行时序进行开启和关闭控制。主浇道S 的入口直径为底端出口直径为第二水平热流道H21、第二 垂直热流道H22的流道直径分别为第二热流道浇口阀门的出口直径 为(即第二浇口的直径为)。第一浇口、第二浇口、第三浇口均 为侧浇口，三个浇口在产品的一侧按350mm等距离布置，即第一浇口与第二浇 口之间、第二浇口与第三浇口之间的距离均为350mm。
请继续参阅图5所示，以第一垂直热流道H22与第一浇口的连通方式为例 进一步说明本实施例中冷流道+热流道复合式浇注系统的实施方式。第一垂直热 流道H22通过第一冷流道C10与第一浇口连通。其中第一冷流道包括依次连通 的第一冷浇道主浇道C11、第一冷浇道梯形流道C12以及第一冷浇道扇形浇口 C13，其中，第一冷浇道主浇道C11的入口与第一垂直热流道H12连通，第一 冷浇道主浇道C11的入口直径第一冷浇道主浇道C11的出口与第一冷 浇道梯形流道C12连通，第一冷浇道主浇道C11的出口直径为第一冷 浇道梯形流道C12的截面尺寸为8x6x6mm，第一冷浇道扇形浇口C13的进浇口 截面尺寸为14x1.2mm。
进一步地，在第一注塑参数中，先使第一热流道浇口阀门、第二热流道浇 口阀门、第三热流道浇口阀门同时开启开启进行流动分析，流动性分析的方案 采用【填充+保压+翘曲】。具体地，采用的注塑工艺参数如下：表面模温50℃， 熔体温度230℃，注射时间4.8s，V/P切换＝98.85％，保压：80MPa-10s，50 MPa-5s；冷却时间20s。分离翘曲因素，结果表明：料流流动为非平衡流动， 两端的充填时间最长，为6.182s，流动路径上的压力等高线间隔不均匀，特别 是第二浇口浇注的区域，等高线密集，存在严重的滞留问题，造成该区域局部地方产生跑道效应，严重的跑道效应会导致气穴和熔接线，而且会造成保压冻 结前的短射；第一浇口对应的区域，第三浇口对应的区域的压力降梯度比较均 匀，不存在滞留问题。因而，第二浇口对应的区域在保压过程中将出现过保压， 过保压会导致高的制品重量、翘曲和不均匀的密度分布。通过对熔接线和气穴 在结果上的重叠，有四个区域存在较多的熔接线和气孔，这些缺陷将导致产品 强度差和导致结构和视觉上的缺陷。
在本实施例中，如前所述，三个热流道阀门同时开启的方案不能满足该注 塑产品的注塑成型要求，需要进一步改进。因此，进一步进行步骤S200，对第 一注塑参数进行至少一次注塑参数优化，获得第一优化注塑参数。
作为一种可选实施方式，对第一注塑参数进行至少一次注塑参数优化，获 得第一优化注塑参数步骤中，至少包括浇口数量参数优化以及浇口位置参数的 优化。由于浇口数量以及浇口位置对浇注结果影响较大，因此第一优化注塑中 至少应包括浇口数量惨以及浇口位置参数，以减少后续优化难度以及优化参数 种类。
作为一种可选实施方式，对第一注塑参数进行至少一次注塑参数优化，获 得第一优化注塑参数步骤中，包括以下子步骤：
对第一注塑参数进行浇口开启时间参数优化；
对第一注塑参数进行浇口数量参数优化以及浇口位置优化；
对第一注塑参数进行浇注流道参数优化。
可选地，先对第一注塑参数进行浇口开启时间参数优化。
综合三个热流道浇口阀门同时开启的分析结果，将第二浇口对应的区域与 第三浇口对应的区域之间的界面以及第二浇口对应的区域与第一浇口对应的区 域之间的界面依靠第二热流道浇口阀门与第三热流道浇口阀门、第一热流道浇 口阀门之间的开启时间落差来进行调整，调整方案是将第三热流道浇口阀门、 第一热流道浇口阀门的开启时间相对于第二热流道浇口阀门的开启时间延迟， 第三热流道浇口阀门、第一热流道浇口阀门同时开启，延时方案分别为0.2s、0.5s、 0.8s。方案调整后对比分析发现，以第三热流道浇口阀门、第一热流道浇口阀门 延时0.5s为最佳。但第二浇口对应的区域依然存在压力梯度降密集的问题；充 填末端也难以得到平衡；流动前沿温度在制品的格栅上面薄片位置很低，存在 冷点，此处可能发生滞流或者短射；产品整体不存在区域的流动前沿温度很高 的区域；流动路径上熔接线和气孔有增多趋势，熔接线有变长趋势。
上述三个热流道浇口阀门错时开启的优化结果表明，由于第二浇口对应的 区域结构特征复杂，导致第二浇口对该区域的充填流动阻力大，且很大程度是 该注塑产品注塑成型潜在质量问题多的主要原因，因此，进一步优化目标是改 善该区浇注流动阻力。
可选地，在前次优化基础上，基于第一次优化结果，对第一注塑参数进行 浇口数量参数优化以及浇口位置优化，同时进行浇注流道参数优化。
在本实施例中，二次优化方案是在第二浇口与第一浇口之间增加第四浇口， 第二浇口与第三浇口之间增加第五浇口，以降低第二浇口对应区的流动阻力， 即采用五个浇口浇注方案。五个浇口浇注方案与前述三个浇口浇注方案的流道 大小设置相同，但对各个浇口之间的距离进行了调整，第一浇口、第四浇口、 第二浇口、第五浇口、第三浇口间隔的距离依次是250mm、200mm、200mm、 250mm，各个热流道的直径保持不便，依然为
请继续参阅图5所示，冷流道的第一冷浇道梯形流道C11’优化为S形流道， 以提高冷浇口料流进浇温度，其余参数保持不变。
对五个热流道浇口阀门同时开启的方案进行流动分析的方案采用【填充+保 压+翘曲】，同时注塑工艺参数保持如下：表面模温50℃，熔体温度230℃，注 射时间4.8s，V/P切换＝98.85％，保压：80MPa-10s，50MPa-5s；冷却时间20 s。分离翘曲因素，结果表明：两端的充填时间最长，为6.445s，所需注塑压力 有较大的降低，最高为40MPa左右，料流流动在产品两端比较平衡，在五个流 动区域之间压力显示为不平衡，但在单个区域内，压力的梯度降都较为均衡。 第二浇口对应的区域，高线密集较为均匀，滞留问题已得到解决，该区域局部 地方产生跑道效应也得到消除，从而气穴和熔接线得到减少和缩短，体现为在 主体上熔接线和气孔都得到有效的减少；但在栅格的上部，竖直筋和水平筋结 合部位有较多的熔接线和气孔，需做进一步改善，流动前沿上冷点区域的温度 有提升，滞留问题得到改善。各个浇口对应区域不存在短射问题。产品的翘曲 变形最大为4.431mm，发生在产品的两端，栅格的上部筋位变形大，因而也需 要得到改善。对翘曲原因进行分离后发现，翘曲产生的主因是收缩不均，变形 值为4.287mm，其次是角效应0.548mm，再次是取向为0.281mm，冷却不均 为-0.0045mm。
在本实施例中，依照上述顺序对第一注塑参数进行了三次注塑参数优化。 在其他实施例中，也可以根据第一注塑参数在CAE软件中的仿真情况选择不同 的顺序进行优化。
在该实施例中，综合五浇口浇注的分析结果，由于浇口位置以及浇口数量 等原理性设置引起的潜在缺陷问题基本得到改善，说明五浇口浇注能适应于该 注塑产品的成型，但是由注塑工艺参数引起的注塑质量问题仍需要进一步优化。 在本发明中，结合RBF神经网络的预测优化功能，对第一优化注塑参数中的注 塑工艺参数进行更进一步的优化。
针对注塑产品需进一步对翘曲、熔接线、气孔等缺陷进行优化，这就要对 注塑工艺参数的配置进行优化，优化时，先采用正交试验法寻优出较为接近质 量结果的参数组合的对应关系，而后利用对应关系的一部分数据训练RBF神经 网络，一部分用于检验该神经网络预测的准确性，而后再通过训练好的RBF神 经网络反推目标注塑要求下对应的注塑成型工艺参数。
进行步骤S300，对第一优化注塑参数进行正交试验设计，获得正交试验数 据。
在本实施例中，工艺参数的选取及因素水平如表1所示。水平按三水平选 取，正交表采用L27(3^13)正交表。
表1工艺参数正交试验表
表1中，Tθ/℃-熔化温度；Ts/℃-成型面温度；PI/MPa-主浇口注塑压力；ti/s- 注塑时间；Ph1/MPa-首段保压压力；th1/s-首段保压时间；Ph2/MPa-第二段保压压 力；th2/s-第二段保压时间；Ph3/MPa-第三段保压压力；th3/s-第三段保压时间；Tw/℃- 冷却水进口温度；Vw/(L/min)-冷却液流速；tc/s-冷却时间
在表1所示的正交方案中，27个分析方案对应的CAE分析方法采用【冷却 +填充+保压+翘曲】。
可选地，利用灰度关联分析法分析正交试验结果，获得注塑参数影响权重； 进一步地，利用部分或全部经注塑参数影响权重处理后的正交试验数据对正交 试验数据对RBF神经网络进行训练，获得训练后的RBF神经网络步骤中。
在本实施例中，依据注塑工艺参数因素的组成特点，运用的GRA灰色关联 法对工艺因素与气孔数量Q、熔接线数量M、翘曲量T之间的关联度进行神经 网络关联度拟合，通过正交法获得27组气孔数量Q、熔接线数量M、翘曲量T 与对应神经网络输入向量Xi为：
Xi＝[Tθ,Ts,PI,ti,Ph1,th1,Ph2,th2,Ph3,Th3,Tw,Vw,tc]
灰色关联法(GRA)对应的RBF网络模型运用Matlab2015神经网络工具箱 来实现。输入层层向量为工艺参数，输出向量Yi＝[Q M T]，中间层12个神经元。 RBF主程式函数newrbe()，隐层节点R＝13，λ＝1，训练样本21个，检验样 本6个，GRA关联法中η＝0.001，向量归一后，初权值s取[-0.1,0.1]内随机数， 目标误差为0.35，训练次数为6200。网络训练时，针对各参数的权重值取值如 表2所示。
表2参数因素权重
参数因素 Tθ/℃ Ts/℃ PI/MPa ti/s Ph1/MPa th1/s Ph2/MPa th2/s tc/s
权重Δ 0.324 0.146 0.164 0.075 0.512 0.673 0.342 0.268 0.188
权重次序 4 8 7 9 2 1 3 5 6
占比 11.7％ 5.3％ 5.9％ 2.7％ 18.5％ 24.3％ 15.1％ 9.7％ 6.8％
由21个样本训练后的RBF用于对6个检验样本进行预测验证，经 GRA—RBF翘预测值与CAE仿真值实际值吻合度很好。可以判断出，由样本所 训练出的-RBF神经网络能够对本产品的质量结果进行预测，可以进行反推工艺 因素水平的选取。即基于注塑要求，利用训练后的RBF神经网络反推最终优化 注塑参数。可选地，最终优化注塑参数包括融化温度、成型面温度、主浇口注 塑压力、注塑时间、首段保压压力、首段保压时间、第二段保压压力、第二段 保压时间、第三段保压压力、第三段保压时间、冷却水进口温度、冷却水流速、 冷却时间。
通过训练后的RBF神经网络，针对目标质量要求气孔数量Q≤25、熔接线数 量M≤17、翘曲量T≤2.4mm的要求，反求工艺参数水平，通过多次模拟计算后， 获得的较优化的质量水平为气孔数量Q＝19、熔接线数量M＝12、翘曲量 T＝2.532mm，相对应的因素对应的参数值为：融化温度Tθ为229℃，成型面温 度Ts为51℃，主浇口注塑压力PI为43MPa，注塑时间ti为6.64s，首段保压 压力Ph1为62MPa，首段保压时间th1为9s，第二段保压压力Ph2为38MPa， 第二段保压时间th2为5.5s，第三段保压压力Ph3为32MPa，第三段保压时间 th3为4.5s，冷却水进口温度Tw为27℃，冷却水流速Vw为3.2L/min，冷却 时间tc为18s。将上述获得的最终优化注塑参数进行CAE模拟后，分析结果表 明，产品的质量得到有效改善。
进一步地，将训练后的RBF神经网络预测反推后获得的最终优化注塑参数 与实际注塑时所用的注塑机的螺杆转动控制进行对应，获得螺杆各段的转动控 制方案，注塑机经预热及参数调试后进行试验性注塑，试模3模即获得了较好 的注塑效果。
实践表明，本发明中综合运用CAE分析及RBF神经网络的预测及反馈优化 成型工艺，使本产品的注塑成型得到了较好地控制，大幅提高了注塑生产效率 以及注塑质量。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域 的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和 改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附 权利要求为准。

Claims (9)

1.一种基于RBF神经网络的注塑工艺优化方法，其特征在于，所述基于RBF神经网络的注塑工艺优化方法包括以下步骤：
建立注塑产品的CAE分析模型以及第一注塑参数；
对所述第一注塑参数进行至少一次注塑参数优化，获得第一优化注塑参数；
对所述第一优化注塑参数进行正交试验设计，获得正交试验数据；
利用部分或全部所述正交试验数据对RBF神经网络进行训练，获得训练后的RBF神经网络；
利用所述训练后的RBF神经网络获取最终优化注塑参数。
2.根据权利要求1所述的基于RBF神经网络的注塑工艺优化方法，其特征在于，所述第一注塑参数包括浇口数量参数、浇口位置参数、浇口开启时间参数、浇口大小参数、浇注流道参数、融化温度、成型面温度、主浇口注塑压力、注塑时间、首段保压压力、首段保压时间、第二段保压压力、第二段保压时间、第三段保压压力、第三段保压时间、冷却水进口温度、冷却水流速、冷却时间中的任意一种或几种。
3.根据权利要求1所述的基于RBF神经网络的注塑工艺优化方法，其特征在于，对所述第一注塑参数进行至少一次注塑参数优化，获得第一优化注塑参数步骤中，至少包括浇口数量参数优化以及浇口位置参数的优化。
4.根据权利要求1至3任意一项所述的基于RBF神经网络的注塑工艺优化方法，其特征在于，所述第一注塑参数中，包括至少两个浇口参数；
对所述第一注塑参数进行至少一次注塑参数优化，获得第一优化注塑参数步骤中，包括以下子步骤：
对所述第一注塑参数进行浇口开启时间参数优化；
对所述第一注塑参数进行浇口数量参数优化以及浇口位置优化；
对所述第一注塑参数进行浇注流道参数优化。
5.根据权利要求4所述的基于RBF神经网络的注塑工艺优化方法，其特征在于，在利用部分或全部所述正交试验数据对RBF神经网络进行训练，获得训练后的RBF神经网络步骤前，还包括以下步骤：
利用灰度关联分析法分析所述正交试验结果，获得注塑参数影响权重；
利用部分或全部所述正交试验数据对RBF神经网络进行训练，获得训练后的RBF神经网络步骤中，所述正交试验数据是经所述注塑参数影响权重处理后的正交试验数据。
6.根据权利要求4所述的基于RBF神经网络的注塑工艺优化方法，其特征在于，利用所述训练后的RBF神经网络获取最终优化注塑参数步骤，包括以下子步骤：
基于注塑要求，利用所述训练后的RBF神经网络反推最终优化注塑参数；
所述最终优化注塑参数包括融化温度、成型面温度、主浇口注塑压力、注塑时间、首段保压压力、首段保压时间、第二段保压压力、第二段保压时间、第三段保压压力、第三段保压时间、冷却水进口温度、冷却水流速、冷却时间。
7.根据权利要求1所述的基于RBF神经网络的注塑工艺优化方法，其特征在于，所述注塑产品为长条形。
8.根据权利要求7所述的基于RBF神经网络的注塑工艺优化方法，其特征在于，所述注塑产品为汽车保险杠中间固定体。
9.根据权利要求8所述的基于RBF神经网络的注塑工艺优化方法，其特征在于，所述注塑工艺的注塑参数如下：
融化温度Tθ为229℃，成型面温度Ts为51℃，主浇口注塑压力PI为43MPa，注塑时间ti为6.64s，首段保压压力Ph1为62MPa，首段保压时间th1为9s，第二段保压压力Ph2为38MPa，第二段保压时间th2为5.5s，第三段保压压力Ph3为32MPa，第三段保压时间th3为4.5s，冷却水进口温度Tw为27℃，冷却水流速Vw为3.2L/min，冷却时间tc为18s。
CN201810261276.3A 2018-03-28 2018-03-28 基于rbf神经网络的注塑工艺优化方法 Pending CN108515678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810261276.3A CN108515678A (zh) 2018-03-28 2018-03-28 基于rbf神经网络的注塑工艺优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810261276.3A CN108515678A (zh) 2018-03-28 2018-03-28 基于rbf神经网络的注塑工艺优化方法

Publications (1)

Publication Number Publication Date
CN108515678A true CN108515678A (zh) 2018-09-11

Family

ID=63434395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810261276.3A Pending CN108515678A (zh) 2018-03-28 2018-03-28 基于rbf神经网络的注塑工艺优化方法

Country Status (1)

Country Link
CN (1) CN108515678A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109483816A (zh) * 2018-12-27 2019-03-19 东莞市誉铭新精密技术股份有限公司 一种手机塑料壳体注塑工艺及注塑装置
CN109783898A (zh) * 2018-12-27 2019-05-21 广东工业大学 一种注塑成型生产工艺参数的智能优化方法
CN109878046A (zh) * 2019-02-27 2019-06-14 莫尔信息技术有限公司 一种注塑生产优化方法
CN110502779A (zh) * 2019-07-03 2019-11-26 广东工业大学 一种基于模糊推理的注塑成型模具的智能设计方法
CN111497163A (zh) * 2018-12-28 2020-08-07 株式会社捷太格特 品质预测系统以及成型机
CN112659498A (zh) * 2020-12-14 2021-04-16 广东工业大学 一种注塑机深度神经网络实时最优控制方法
CN112765729A (zh) * 2021-01-13 2021-05-07 中国第一汽车股份有限公司 一种乘用车保险杠面罩装配间隙控制方法
CN113134956A (zh) * 2021-04-23 2021-07-20 广东工业大学 一种基于改进mlle的注塑机异常检测方法
CN113352569A (zh) * 2021-07-08 2021-09-07 广州中和互联网技术有限公司 一种注塑云塑机数据采集与监视控制系统及方法
CN114239190A (zh) * 2022-02-25 2022-03-25 广东省科学院智能制造研究所 一种塑料工件注塑成型的工艺参数优化方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004148588A (ja) * 2002-10-29 2004-05-27 Sanyo Electric Co Ltd 射出成形用金型の設計パラメータ最適化方法
CN1840316A (zh) * 2005-04-01 2006-10-04 日精树脂工业株式会社 注塑成型机的控制装置
CN103496128A (zh) * 2013-09-22 2014-01-08 上海夏普电器有限公司 一种长直注塑件防翘曲变形的方法
CN104669518A (zh) * 2015-01-27 2015-06-03 常州中科力拓工程仿真技术研究中心有限公司 注塑模具设计cae辅助装置
CN106584031A (zh) * 2016-12-20 2017-04-26 柳州通为机械有限公司 基于Moldflow的汽车盒体件注塑模具制造方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004148588A (ja) * 2002-10-29 2004-05-27 Sanyo Electric Co Ltd 射出成形用金型の設計パラメータ最適化方法
CN1840316A (zh) * 2005-04-01 2006-10-04 日精树脂工业株式会社 注塑成型机的控制装置
CN103496128A (zh) * 2013-09-22 2014-01-08 上海夏普电器有限公司 一种长直注塑件防翘曲变形的方法
CN104669518A (zh) * 2015-01-27 2015-06-03 常州中科力拓工程仿真技术研究中心有限公司 注塑模具设计cae辅助装置
CN106584031A (zh) * 2016-12-20 2017-04-26 柳州通为机械有限公司 基于Moldflow的汽车盒体件注塑模具制造方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孔轶艳: "基于CAE和RBF神经网络的注塑工艺优化分析", 《塑料》 *
林幼文: "基于CAE和GRNN神经网络的汽车进气格栅注塑成型优化", 《塑料工业》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109783898A (zh) * 2018-12-27 2019-05-21 广东工业大学 一种注塑成型生产工艺参数的智能优化方法
CN109483816A (zh) * 2018-12-27 2019-03-19 东莞市誉铭新精密技术股份有限公司 一种手机塑料壳体注塑工艺及注塑装置
CN111497163A (zh) * 2018-12-28 2020-08-07 株式会社捷太格特 品质预测系统以及成型机
CN109878046A (zh) * 2019-02-27 2019-06-14 莫尔信息技术有限公司 一种注塑生产优化方法
CN109878046B (zh) * 2019-02-27 2021-06-18 莫尔信息技术有限公司 一种注塑生产优化方法
CN110502779B (zh) * 2019-07-03 2022-08-12 广东工业大学 一种基于模糊推理的注塑成型模具的智能设计方法
CN110502779A (zh) * 2019-07-03 2019-11-26 广东工业大学 一种基于模糊推理的注塑成型模具的智能设计方法
CN112659498A (zh) * 2020-12-14 2021-04-16 广东工业大学 一种注塑机深度神经网络实时最优控制方法
CN112765729A (zh) * 2021-01-13 2021-05-07 中国第一汽车股份有限公司 一种乘用车保险杠面罩装配间隙控制方法
CN112765729B (zh) * 2021-01-13 2022-11-11 中国第一汽车股份有限公司 一种乘用车保险杠面罩装配间隙控制方法
CN113134956A (zh) * 2021-04-23 2021-07-20 广东工业大学 一种基于改进mlle的注塑机异常检测方法
CN113134956B (zh) * 2021-04-23 2023-02-24 广东工业大学 一种基于改进mlle的注塑机异常检测方法
CN113352569A (zh) * 2021-07-08 2021-09-07 广州中和互联网技术有限公司 一种注塑云塑机数据采集与监视控制系统及方法
CN113352569B (zh) * 2021-07-08 2022-02-11 广州中和互联网技术有限公司 一种注塑云塑机数据采集与监视控制系统及方法
CN114239190A (zh) * 2022-02-25 2022-03-25 广东省科学院智能制造研究所 一种塑料工件注塑成型的工艺参数优化方法及装置

Similar Documents

Publication Publication Date Title
CN108515678A (zh) 基于rbf神经网络的注塑工艺优化方法
CN111563347B (zh) 一种纤维增强复合材料的注塑工艺参数优化方法
Jin et al. Quantitative analysis of surface profile in fused deposition modelling
CN107944147A (zh) 基于grnn神经网络的注塑工艺优化方法及注塑工艺
CN111079338A (zh) 一种汽车后视镜外壳注塑工艺优化方法
CN107972243A (zh) 基于som神经网络的注塑工艺优化方法及注塑工艺
CN106055787A (zh) 一种基于bp神经网络的汽车内饰面板注塑成型工艺
Ravikiran et al. Parametric optimization of plastic injection moulding for FMCG polymer moulding (PMMA) using hybrid Taguchi-WASPAS-Ant Lion optimization algorithm
CN110076974A (zh) 基于增材制造技术的注塑模具随形冷却水道的设计方法
Sedighi et al. Optimisation of gate location based on weld line in plastic injection moulding using computer-aided engineering, artificial neural network, and genetic algorithm
Moayyedian et al. Gate design and filling process analysis of the cavity in injection molding process
JPH10138310A (ja) 射出成形機の最適成形条件決定方法
Nasir et al. Strength of the weld line and warpage defects on the molded parts in injection molding process
CN106649932B (zh) 一种压铸模浇注参数化设计系统及其方法
CN106863849A (zh) Rtm模具
Wu et al. Semi-automated parametric design of gating systems for die-casting die
CN109483816A (zh) 一种手机塑料壳体注塑工艺及注塑装置
CN113761759A (zh) 一种橡塑挤出模具优化设计方法
CN108943637A (zh) 一种注塑工艺
CN108090269B (zh) 一种轮胎橡胶挤出机机头流道优化设计方法
Zakaria et al. Optimal injection process parameter analysis for front panel housing using response surface methodology
CN105269763A (zh) 陶瓷注塑模具优化设计方法及陶瓷注塑模具
Qiuli et al. Optimization of injection molding of display panel based on PSO-BP neural network
Yang et al. Research on Optimization of Injection Molding Process Parameters of Automobile Plastic Front‐End Frame
CN101462351A (zh) 一种塑料异型材同模异出挤出模具

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180911

RJ01 Rejection of invention patent application after publication